32.【音声生成AI設計】FSMに最小の音声を接続する｜自然さを捨てた壊れない第一声

tags: [“音声生成AI”, “FSM”, “TTS”, “設計思想”, “生成AI”]

🔊【音声生成AI設計】FSMに最小の音声を接続する

―― 🧪 自然さを捨てた壊れない第一声

前回（31）で、音声AIの正体は FSM（有限状態機械） だと分解した。
今回はそのFSMに、最小限の音声出力を接続する。

⚠️ ここでの目的は「自然に喋らせる」ことではない。
🎯 壊れずに音が出て、必ず戻ってこれること。

🎯 本記事のゴール

• FSMの Speaking 状態にのみ音声を出す
• 発話終了を 明示的イベントとして扱う
• LLMは使わない（まだ）
• 「それっぽさ」より 制御の健全性を優先

🧩 全体構造（最小）

🧩 FSM
 ├─ 🎤 音声入力（今回はダミー）
 ├─ 🔊 TTS（最小）
 └─ ⏱ タイマ／完了イベント

👉 音声はFSMの従属物。
勝手に喋らせない。

📦 FSMの関与ポイント（再確認）

• 🧠 Thinking：今回は使わない
• 🔊 Speaking：ここだけで音を出す
• 💤 Idle：必ず戻る

FSMが言わない限り、
音声は 出ない／続かない／再生されない。

🔊 最小TTSの考え方

ここでは「品質」を一切追わない。

• 単一フレーズ
• 単一音量
• 単一話速
• 感情なし

例：

「システム、起動しました。」

これで十分。

🧪 擬似コード（FSM × 最小音声）

state = "Idle"

def on_event(event):
    global state

    if state == "Idle" and event == "start":
        state = "Speaking"
        play_tts("システム、起動しました。")

    elif state == "Speaking" and event == "tts_finished":
        state = "Idle"

🔑 重要なのは：

• play_tts() が 状態を変えない
• 音声終了は tts_finished という 明示イベント
• Speaking が終わったら 必ず Idle に戻る

⏱ 発話終了は「感覚」で決めない

❌ よくある失敗

• 音が止んだから終わり
• たぶん喋り終わった

⭕ 正解

• TTSエンジンから 完了イベントを受け取る
• それを FSMに通知する

👉 FSMが遷移を決める。

✋ 割り込みを“まだ”入れない理由

ここで割り込みを入れると：

• 状態数が増える
• 遷移が爆発する
• 音が出たのか分からなくなる

今回は あえて単純化する。

• Speaking 中は割り込み不可
• 音が終わったら Idle

割り込みは 次回（33）。

🚫 この段階でやってはいけないこと

• ❌ LLMをつなぐ
• ❌ 音声をストリーミング再生
• ❌ 自然さ・感情・抑揚の調整
• ❌ 会話っぽくする

👉 それらは FSMが完成してから。

🧠 この段階で得られるもの

• 音が 必ず出る
• 無限に喋らない
• 無音フリーズしない
• どこで止まったか分かる

🎉 これだけで、
世の「音声AIデモ」の大半より 堅牢。

📌 まとめ

• 🔊 音は Speaking 状態でのみ出す
• 🧩 FSMがすべてを決める
• ⏱ 発話終了はイベントで扱う
• 🚫 自然さは捨てる
• 🏗 壊れない最小構成が最優先

🔊 最小デモ

FSMが許可したときにのみ音声が出る、
最小構成の音声デモを用意しました。

▶ デモ
https://samizo-aitl.github.io/qiita-articles/demos/audio-fsm-minimal/

本デモは、

• Speaking 状態でのみ音声が出る
• 発話終了は明示イベントで検出する
• 無限発話・無音フリーズが起きない

ことを確認するためのものです。

🔜 次の記事（33）

• ✋ Speaking 中に人が喋ったらどうする？
• 🔄 割り込み FSM の追加
• 🧪 音声AIが一番壊れる瞬間を扱う

次は 地獄回。
割り込みをやる。

（GitHub上のMarkdownを正本とし、Qiitaには抜粋・調整して投稿）